(05) Data Mining

Pemodelan Data Mining

Pemodelan adalah penggunaan prinsip atau teknik-teknik tertentu dalam suatu rancangan sistem. Kian kompleksnya masalah-masalah yang dijumpai saat ini membuat proses pemodelan menjadi makin kompleks juga. Oleh karena itu, diperlukan pengetahuan yang juga lebih spesifik dan mendetail. Misalnya penerapan data mining untuk penjualan, perancangan perlu memahami hal-hal yang berkaitan dengan penjualan, mulai dari aspek internal hingga perekonomian global yang mungkin saja berpengaruh terhadap pengolahan data yang terjadi. Sebagi bahan pertimbangan, Gounescu (2011), menyarankan tahapan-tahapan sebagai berikut :

1. Identifikasi
Ini merupakan tahapan pertama dalam pemodela data mining dari suatu permasalahan yang ada di lapangan. Dalam pengidentifikasian suatu masalah, dijumpai dua pendekatan yang saling bertolak belakang. Pendekatan pertama adalah pendekatan yang mengutamakan pengetahuan terdahulu dari suatu kasus. Dalam hal ini pengetahuan a  priori menjadi andalan utama parapendukung teori ini. ............... maaf, tulisan terputus.. :)

Penulis=> Unknown09.18

0

Selengkapnya..

(04) Data Mining

*** Pencarian Hukum Asosiasi (Association Rule Discovery)***
Dalam satu grup, tiap orang memiliki hubungan satu dengan yang lain, juga terhadap grup-grup yang lain. Keterhubungan itu selanjutnya dibuat hukum/aturan yang dapat dijadikan patokan kebijakan dari pengguna. Sebagai contoh  data yang berasal dari penjualan supermarket. Misalnya berdasarkan data yang ada terbanyak pembelian beberapa botol minuman bir disertai dengan popok bayi. Sehingga pengaturan letak posisi stan penjualan minuman bir sebaiknya berdekatan dengan stan penjualan popok bayi. Contoh yang lain adalah pada aplikasi berbasis web, dimana kecenderungan suatu user mengakses situs tertentu setelah suatu situs dia akses dapat dijadikan patokan suatu perusahaan dalam menawarkan produk ke user tersebut. Kecenderungan user dapat diketahui dari aktivitasnya menelusuri dunia maya, misalnya setelah dia mengakses situs A akan cenderung mengakses situs B, dan seterusnya.

***Pencarian Pola Berurutan (Sequential Pattern Discovery)***
Banyak sistem yang cara kerjanya berurutan seperti prosedure-prosedur tertentu, akses ke suatu halaman situs, protein dalam rangkaian Asam Dioksi Ribonukleat (DNA), dan sebagainya. Dengan memiliki riwayat data pada sistem-sistem tersebut kita dapat mengetahui pola-pola yang dihasilkannya. Tugas perancang data mining adalah mengetahui pola-pola berurutan dari data-data yang tersebar tersebut. Contoh aplikasi-aplikasi yang diterapkan misalnya :

1. Dalam suatu pasar swalayan diketahui data transaksi nasabah yang belanja di situ. Jika ditelusuri, seorang nasabah akan diketahui rangkaian urutan belanja dalam rentang waktu tertentu.
2. Dalam dunia kedokteran beberapa penyakit memiliki gejala-gejala yang berurutan. Misalnya demam berdarah dimulai dengan demam yang disertai bercak-bercak tertentu pada kulit, dilanjutkan dengan fase kritis dimana demam mula mereda, dan seterusnya.
3. Dalam dunia meteorologi, rangkaian cuaca dapat digunakan untuk memprediksi iklim yang terjadi dan dapat memprediksi adanya badai, sunami, dan bencana lainnya yang melibatkan perubahan cuaca.

***Regresi***

Regresi telah dikembangkan sejak abad XIX oleh Sir Francis Galton dengan tulisannya yang berjudul "Regresi Menuju Rata-rata". Prinsip yang dicetuskannya adalah bahwa dari dua variabel tidak bebas (Independent variabel) satu variabel tidak dipengaruhi langsung oleh variabel lainnya melainkan dipengaruhi oleh rata-ratanya. Misalnya seorang ayah yang tinggi bisa saja memiliki anak yang bertinggi badan lebih rendah dan sebaliknya bisa saja seorang ayah yang rendah memiliki anak yang lebih tinggi.

 

Dalam ilmu statistik, regresi mempelajari hubungan antara satu variabel dengan variabel yang lain. Misalnya dalam menentukan hubungan antara tinggi dengan berat badan seseorang. Berdasarkan data yang dikumpulkan dapat diketahui berat ideal terhadap tinggi badan seseorang. Regresi dimanfaatkan selain untuk menentukan hubungan kuantitatif antara variabel juga untuk meramalkan nilai dari variabel dimasa yang akan datang. Teknik ini banyak dikembangkan dalam bidang penjualan, brasa saham, meteorologi, dan pengobatan.

 

***Deteksi Penyimpangan (Deviation/Anomaly Detection)***

Terkadang kita tidak mengetahui adanya suatu penyimpangan sebelum kita mengumpulkan data-data yang ada dan kemudian diolah dengan teknik-teknik tertent dalam  data mining. Dengan mengetahui adaya suatu data yang menyimpang dapat deimanfaatkan oleh para pengambil kebijakan untuk menghindari adanya kerusakan yang mungkin terjadi di kemudian hari. Resiko yang mungkin terjadi dapat ditekan sekecil mungkin. Pemodelan data mining berbeda dengan pemodelan sistem biasa yang sering kita jumpai seperti absensi, penjualan, pembelian, stok dan sejenisnya. Salah satu pembeda adalah kempleksitas yang dimiliki dalam data mining. Terkadang data yang diterima sangat sulit untuk diukur atau dipresentasikan seperti badai, gerakan, dan data spesifik yang lainnya. Oleh karena itu, diperluakan pengkajian yang lebih mendalam dan terukur guna mendapatkan model yang terbaik.

Pemodelan dimulai dengan memformulasikan suatu kasus dalam suatu persamaan matematis. Persamaan matematis ini sedekat mungkin mirip dengan kenyataan yang ada. Jika pemodelan matematis sudah selesai, proses berikutnya adalah perakitan model matematis itu dalam suatu perangkat lunak. Jika perangkat lunak yang dihasilkan selesai, berikutnya dilanjutkan dengan pengujian untuk mengetahui akurasinya. Model yang baik diketahui dari akurasi yang mendeteksi kenyataan di lapangan.

Penulis=> Unknown08.30

1

Selengkapnya..

(03) Data Mining

Proses Data Mining

Secara skematis, Gorunescu (2011) mambagi langkah proses pelaksanaan Data Mining dalam tiga aktivitas yaitu :

• Eksplorasi Data, terdiri dari aktivitas pembersihan data, transformasi data, pengurangan dimensi, pemilihan cirri, dan lain-lain.
• Membuat model dan pengujian viliditas model, merupakan pemeliharaan terhadap model-model yang sudah dikembangkan yang cocok dengan kasus yang dihadapi. Dengan kata lain, dilakukan pemilihan model secara komplet.
• Penerapan model dengan data baru untuk menghasilkan perkiraan dari kasus yang ada. Tahap ini merupakan tahap yang mementukan model yang telah dibangun dapat menjawab permasalahan yang dihadapi.

Jenis Permasalahan data mining

Aplikasi menggunakan data mining bermaksud menyelesaikan permasalahan dengan membangun model berdasarkan data yang sudah digali untuk diterapkan terhadap data yang lain. Secara umum ada dua jenis tipologi aplikasi Data Mining :

• Metode Prediksi, yang bermaksud memprediksi nilai yang akan datang berdasarkan data-data yang telah ada variabelnya seperti klasifikasi, regresi, detikasi anomaly, dan lain-lain
• Metode deskriftip, yang bermaksud membantu user agar mudah melihat pola-pola yang berasal dari data yang ada.

Klasifikasi

Klasifikasi pertama kali diterapkan pada bidang tanaman yang mengklasifikasi suatu spesies tertentu, seperti yang dilakukan oleh Corolus von Linne (atau dikenal dengan nama Carolus Linnaeus) yang pertama kali mengklasifikasikan spesies berdasarkan karakteristik fisik. Selanjutnya dia  dikenal sebagai bapak klasifikasi. Komponen-komponen utama dari proses klasifikasi antara lain :

• Kelas, merupakan variable tidak bebas yang merupakan label hasil klasifikasi. Sebagai contoh adalah kelas loyalitas pelanggan, kelas badai atau gempa bumi, dan lain-lain.
• Predikator, merupakan variable bebas suatu model berdasarkan dari karakteristik atribut yang diklasifikasi, misalnya merokok, minum-minuman beralkohol, tekanan darah, status perkawinan, dan sebagainya.
• Set data  pelatihan, merupakan sekumpulan data lengkap yang berisi kelas dan predikto untuk dilatih agar model dapat mengelompokan ke dalam kelas yang tepat. Contoh adalah group pasien yang telah di-test terhadap serangan jantung, group pelanggan disuatu supermarketdan sebagainya.
• Set data uji, berisi data-data baru yang akan dikelompokan oleh model guna mengetahui akurasi dari model yang telah dibuat.

Sebagian besar istila-istilah yang ada dalam aktivitas klasifikasisma dengan yang digunakan dalam aplikasi data base. Namun beberapa mungkin tidak begitu dikenal, istilah-istilah tersebut antara lain:

• Set data yang digunakan untuk proses pelatihan dikenal dengan nama-nama yang berbeda antara lain : records, tuples, vector, instan, objek, dan sample.
• Tiap set data tersebut memiliki suatu atribut
• Pengkalisfikasian  (classifier), merupakan model matematis yang akan menentukan suatu objek masuk dalam kelas tertentu.
• Set data testing, merupakan data-data dengan sifat seperti data pelatihan untuk menguji akurasi dari model yang telah dibuat.

Dalam mesin pembelajaran (machine learning) kita mengenal istilah pembelajaran terpandu (supervised learning) dan pembelajaran tak terpandu (unsupervised learning). Istilah ini sama dengan istilah yang telah didefinisikan sebelumya. Pembeljaran terpandu memiliki kesamaan dengan metode prediksi yang memprediksi keluaran dari masukan tertentu. Sedangkan pembelajaran tak terpandu identik dengan metode deskriptif yang mengelompokan dalam pola-pola tertentu.

Untuk menentukan suatu model baik atau buruk, kita memerlukan elemen-elemen kunci antara lain :

• Akurasi prediksi, yang menentukan seberapa akurat suatu model dalam memprediksi keluaran
• Kecepatan, yang menunjukan seberapa cepat suatu model dalam memproses data masukan.
• Robustness, mengaambarkan kemampuan suatu model melakukan prediksi yang akurat walu dalam kondisi ekstrim dan banyak gangguan yang terjadi.
• Skalabilitas,adalah kemampuan suatu model memproses data baik dalam ukuran yang lebih besar maupun data dari bidang lain yang berbeda.
• Interpretability, menggambarkan kemudahan suatu model untuk dipahami dan diiterprestasikan.
• Kesederhanaan, merupakan sifat yang cenderung dipilih untuk menyelesaikan suatu permasalahan.

Metode-metode/model-model telah dikembangkan oleh periset untuk menyelesaikan kasus klasifikasi. Metode-metode tersebut antara lain (sumathi, 2006) :

·         Pohin keputusan

·         Pengklasifikasian bayes/naïve bayes

·         Jaringan syaraf tiruan

·         Analisis statistic

·         Algoritma genetic

·         Rough sets

·         Pengklasifikasian k-nearest neighbor

·         Metode berbasis aturan

·         Memory based reasoning

·         Support vector machine

Analisis Kluster (Cluster Analysis)

Analisis kluster (dikenal juga dengan istilah data clustering adalah metode yang digunakan untuk membagi rangkaian data menjadi beberapa group berdasarkan kesamaan-kesamaan yang telah ditetunkan sebelumnya. Jadi secara umum dapat dikatakan bahwa (Gorunescu, 2011) :

·         Data dalam satu kluster memiliki tingkat kesamaan yang tinggi, dan

·         Data dalam kluster yang berbeda memiliki tingkat kesamaan rendah.

Karena itu perlu diketahui teknik-teknik yang digunakan untuk mengukur tingkat kesamaan, antara lain :

·         Minowski Distance (masuk dalam kelompok ini manhattan, eulidaen, dan chebysev)

·         Tanimoto measure

·         Pearson’s measure

·         Mahalanobis measure

Contoh-contoh penerapan analisis kluster dapat dijumpai saat ini. Berikut beberapa diantaranya :

• Segmentasi pasar. Adalah pengklasteran data yang membagi pelanggan menjadi group-group tertentu yang akan mempermudah bagian penjualan (marketing) dalam memasarkan produk-produknya, seperti rumah, kendaraan, dan sebgainya.
• Pengklasteran dokumen, dokumen-dokumen yang memiliki kemiripan yang sama, misalnya politik, ekonomi, dan bidang lainya dikuumpulkan dalam satu group. Manfaat yang diperoleh adalah kemudahan dalam mencari, mengorganisasi, dan mensuplai data-data yang akan dimanfaatkan oleh pengguna pada bidang yang sesuai.
• Pengklasifikasi penyakit, penyakit tertentu dapat diidentifikasi dari gejala-gejala yang menyertainya. Oleh karena Karena itu pengklasifikasian penyakit berdasarkan gejala sangat membantu para praktisi kesehatan dalam aktivitas kesehariannya, sehingga perlakuan yang tepat dapat diterapkan untuk tiap kasus penyakit tertentu.
• Pengklasifikasian dalam biologi. Biologi sangat membutuhkan proses klasifikasi, misalnya dalam bioinformatika untuk mencari gen-gen terbaik berdasarkan kelas-kelas yang terbentuk.

Penulis=> Unknown04.11

0

Selengkapnya..

(02) Data Mining

***Manfaat Data Mining***
Data Mining merupakan cabang ilmu yang termasuk masih baru tetapi telah menghasilakn keuntungan yang cukup besar saat ini. Manfaat yang dirasakan dengan penggunaan Data Mining sudah tidak diragukan lagi. Beberapa kasus telah banyak diselesaikan dengan menggunakan teknik data mining ini. Misalnya kasus peledakan gedung WTC oleh teroris ternyata telah terdeteksi oleh pihak Amerika Serikat, hanya saja sayangnnya terlambat untuk diantisipasi.

Data Mining sudah sering dimanfaatkan untuk mendeteksi kejadian-kejadian yang ganjil seperti penyakit tertentu, transaksi yang mencurigakan, hinga mendeteksi telepon yang dilakukan oleh pihak yang bermaksud menipu, seperti penyalgunaan kartu kredit. Pihak pasar swalayan pun saat ini sudah menggunakan teknik Data Mining untuk mengatur peletakan standar penjualan agar mempermudah pembeli dalam pergerakannya di dalamnya.

Saat ini sudah banyak vendor-vendor yang mengkhususkan diri dalam bidang Data Mining seperti SPSS, Microsoft, Oracle, dan lain-lain.Produknya pun beragam dari bidang ekonomi seperti Business Intellingent (BI), Business Performance Management (BPM), Customer Relationship Managemen (CRM), dan sebagainya hingga bidang kesehatan seperti Health Informatics, e-Health, dan sbg. Tentu saja bidang yang lain juga telah lama menerapkan Data Mining seperti Telekomunikasi, Meteorologi, Biologi dan lain-lain.

(Sumber: Penerapan Data Mining dng MATLAB-Prabowo Pudjo Widodo-Rahmadya Trias Handayanto-Herlawati)

Penulis=> Unknown11.40

0

Selengkapnya..

(01) Data Mining

***Konsep Data Mining***

Beberapa Literatur yang membahas data mining banya kita jumpai saat ini dan layak untuk dibaca. Tidak ada buku yang sanggup memberikan informasi lengkap karena Data Mining merupakan bidang yang sangat luas penerapannya. Untuk perkuliahan ini beberapa materi diambil dari buku referensi tersebut (kompilasi) sesuai dengan perkembangan terkini yang cenderung mengarah ke sistem Soft Computing yang baik dalam mengatasi permasalahan yang ada saat ini.

Data Mining menurut David Hand, Heikki Mannila, dan Padharaic Smyth dari MIT adalah analisa terhadap data (baisanya data berukuran besar) untuk menemukan hubungan yang jelas serta menyimpulkannya yang belum diketahui sebelumnya dengan cara terkini dipahami dan berguna bagi pemilik data tersebut (Larose, 2006). Disebutkan bahwa cara yang digunakan adalah cara terkini (Novel) karena perkembangan teknologi yang terus berkembang dan database administrator harus mampu mengikuti perkembangan yang ada. Salah satu jenis algoritma yang saat ini banyak dikembangkan dan dapat dilihat pada jurnal-jurnal baik nasional maupun internasional adalah soft computing. Algoritma ini mampu mengatasi berbagai halangan yang sering dijumpai pada jenis algoritma konvensional tersebut antara lain : kurang lengkapnya data, ketidakpastian, dan sejenisnya.

Data Mining sudah ada sejak lama dan teori-teorinya pun sudah banyak dibahas dalam berbagai literatur. Teori-teori tersebut antara lain: Naive-Bayes dan Nearest Neighbour, Pohon Keputusan, Aturan Asosiasi, k-Means Clustering, dan Text Mining (Bramer, 2007. Sedangkan perkembangan terkini menghadirkan algoritma-algoritma yang baru dikembangkan antara lain : Jaringan Syaraf Tiruan (JST), Algoritma Genetik, Fuzzy C-Means, Support Vektor Machine (SVM). dan lain-lain (Larose, 2006). Sejak perkembangannya dari tahun 90-an, data mining yang sebelumnya dikuasai oleh para pakar statistik, ternyata di tahun 2000-an banyak dikembangkan oleh ilmu komputer yang berusaha untuk memperbaiki kinerja dari teori-teori statistik yang ada. Menurut Daryl Pregibon disebutkan bahwa Data Mining adalah perpaduan dari Statistik, Artificial Intelegent dan Database (Gorunescu, 2011). Data Mining kemudian dikenal dengan nama Knowledge-discovery in Database (KDD).

Ada baiknya kita membedakan mana aktivitas data mining dan mana yang bukan. Mencari sesuatu misalnya mencari situs-situs yang mengandung kata "mining" di search engine bukan merupakan aktivitas data mining, tetapi membuat group mining text, mining image, dan sejenisnya termasuk dalam kategori data mining. Contoh lainnya adalah mencari lokasi spa dari daftar spa yang ada bukan merupakan aktivitas data mining, tetapi mengelompokkan spa berdasarkan spa untuk penyakit tertentu merupakan aktivitas data mining. 

(Sumber: Penerapan Data Mining dng MATLAB-Prabowo Pudjo Widodo-Rahmadya Trias Handayanto-Herlawati)

Penulis=> Unknown11.27

0

Selengkapnya..

Konsep Pengodean

Karakter data yang akan dikirim dari suatu titik ke titik lain tidak dapat dikirimkan secara langsung. Perlu proses pengkodean pada setiap titik.dengan kata lain, karakter – karakter data tersebut harus di kodekan terlebih dahulu dengan kode yang di kenal oleh setiap terminal yang ada.

Tujuan dari setiap pengodean adalah menjadikan setiap karakter dalam sebuah informasi digital ke dalam bentuk biner agar dapat di transmisikan. Suatuterminal yang berbeda menggunakan kode biner yang berbeda untuk mewakili suatu karakter.

Computer yang 1 byte terdiri dari 4 bit menggunakan kode biner yang berbentuk 4 bit ,yaitu BSD (binary coded decimal ). Computer yang menggunakan 6 bit untuk 1 byte-nya menggunakan kode biner yang terdiri dari kombinasi 6 bit yang SBCDIC (standart binary coded decimal intercharge code).komputer yang 1 byte terdiri dari 8 bit ,menggunakan kode biner yang terdiri dari kombiasi 8 bit ,yaitu EBCDIC (extended binary coded decimal intercharge code ). Atau ASCII (American standart code for information intercharge ). Pada dasarnya kode – kode yang sering di gunakan pada system komunikasi data dan di kenal oleh berbagai terminal di antaranya adalah kode tujuh bit (ASCII dank ode EBCDIC).

KODE – KODE

Kode –kode yang digunakan untuk keperluan komunikasi data pada system computer sejak computer di temukan sampai pada komunikasi data modern memiliki perbedaan dari generasi ke generasi. Hal ini di sebabkan semakin besar kompleknya data yang akan di kirim ataw di pergunakan .

Secara umum ada beberapa kode yang di gunakan dalam komunikasi data , diantarnya adalah :

1. BCD (Binary coded decimal)
2. SBCDIC (standart binary coded decimal intrcharge code)
3. EBCDIC(extendet binary coded decimal intrcharge code)
4. BOUDOT
5. ASCII  (American standart code for information intercharge )

Kode – kode itu di gunakan dalam proses pengompresian  sumber data analog maupun digital menjadi sinyal digital yg di sebut sebagai proses encoding dan decoding . bentuk sinyal yg di hasilkan tergantung pada teknik penyandian dan media transmisi yang digunakan.

BCD

BCD (Binary coded decimal) meupakan kode biner yang digunakan hanya untuk mewakili nilai digit decimal dari 0 – 9 .BCD menggunakan kombinasi 4 bit sehingga ada 16 (2/4)kombinasi yang di peroleh dan hanya 10 kombinasi yang di gunakan.

Kode BSC sudah jarang di gunakan untuk computer dan transmisi data sekarang in karena tidak dapat mewakili huruf atau symbol karakter khusus. BSC hanya di gunakan oleh kompuer generasi pertama.
Tabel :

BCD 4 bit	Digit decimal
0000	0
0001	1
0010	2
0011	3
0100	4
0101	5
0110	6
0111	7
1000	8
1001	9

 

Penulis=> Unknown02.31

0

Selengkapnya..

Persepsi Visual Manusia

Pada dasarnya indera yang  dimiliki oleh manusia adalah peralatan sensor alami yang paling canggih. Indera mata manusia dapat mengnali bentuk abyek, telinga untuk mengenali suara, sedangkan alat perasa (lidah) seseorang dapat membedakan rasa. Ketika mata melihat sesuatu, saraf otak langsung bekerja untuk merekam obyek yang telah dilihat, otak kita bekerja untuk merekam ciri-ciri obyek. Indera yang lain, urutan pengenalannya serupa dengan proses indera mata.

Pada dasarnya proses-proses tersebut merupakan proses pembelajaran. Semakin sering kita melihat suatu obyek yang sebelumnya pernah kita lihat, amak semakin cepat kita dapat mengenali obyek yang tersebut, ini artinya semakin kita melakukan pengenalan. Ketika ada orang memanggil kita, walaupun tanpa melihatnya, kita sudah dapat menduga siapa yang memanggil, karena, pada memori kita telah tersimpan ciri suar orang tsb.

Kita dapat mengenali wajah seseorang, karena sebelumnya telah melihat org tsb. Semakin sering kita melihat, maka semakin tidak asing wajah seseorang tersebut. Frekwensi bertemu dengan seseorang tersebut sebenarnya merupakan proses pembelajaran yang tidak pernah kita sadari. Manusia mampu menyimpan ciri-ciri banyak obyek yang jumlahnya sangat besar. Persepsi visual manusia tersebut kemudian dikembangkan untuk membangun suatu sistem kecerdasan. Mulai dari melihat obyek, mengolah obyek, mengekstrak ciri-ciri obyek yang telah dilihat sampai mengenalinya.

Penulis=> Unknown22.44

0

Selengkapnya..

Model Sistem Komunikasi

Tujuan utama dari komunikasi data adalah untuk menukar informasi antara dua perantara .

1. Data adalah sebuah gambaran dari kenyataan , komsep atau intruksi dalam bentuk formal yang sesuai untuk komunikasi,interpretasi atau proses oleh manunsia atau oleh peralatan otomatis.
2. informasi adalah pengertian yang diperuntukan bagi data dengan persetujuan pemakai data tersebut.

definisi ini dapat menjelaskan tujuan kita, yaitu data dapat diidentifikasikan, data dapat digambarkan, data tidak perlu mewakili secara fisik; tetapi dari semua itu data dapat dan sebaiknya digunakan untuk menghsilkan informasi. hal ini juga berarti bahwa data untuk satu orang akan muncul sebagai informasi untuk yang lain. informasi ini terbentuk ketika data ditafsirkan

untuk menukar informasi diperlukan akses ke elemen data dan kemampuan untuk mentransmisikannya. informasi yang akan ditukar adalah sebuah pesan yang berlabel m. informasi ini diwakili sebagai data g dan secara umum ditujukan ke sebuah transmiter dalam bentuk suatu sinyal yang berubah terhadap waktu. sinyal g(t) di transmisikan. umumnya sinyal tidak akan dalam bentuk yang sesuai untuk transmisi dan harus diubah kesinyal s(t) yang sepadan dengan karakteristik medium transmisi. sinyal itu kemudian ditransmisikan melalui medium tersebut. pada akirnya sinyal r(t), yang mana mungkin berbeda dari s(t), diterima. sinyal ini kemudian diubah pesawat penerima kedalam bentuk yang sesuai untuk output. 

pengubahan sinyal g(t) atau data g adalah sebuah pendekatan atau perkiraan dari input. akhirnya peralatan output akan menampilkan pesan perkiraan tersebut, m, kepada perantara tujuan. contoh : electronic-mail(post elektronik) dan percakapan telepon. untuk kasus pada elektronik main, diketahui bahwa peralatan input dan transmiter adalah komponen dari komputer personal. perantara adalah pengguna yang akan mengirim sebuah pesan kepada penggunanya sebagai contoh "ujian mit semester dilaksanakan bulan maret" (m). karakter string ini adalah informasi.

pengguna lalu mengaktifkan electronic-mail pada PC dan memasukan pesan tersebut melalui keyboard (peralatan input). karakter string ini secara ringgkas disimpan pada memori utama (main memori). kita dapat memandangi sebagai rangkaian karakter (g) atau rangkaian bit-bit (g) dalam memori. PC ini dihubungkan dalam beberapa medium transmisi, seperti : local network tranceiver atau modem. data input akan ditransver ke transmiter sebagai rangkaian bit (g(t)) atau lebih tepat rangkaian voltage shift (g(t)) pada beberapa bus komunikasi atau kabel. transmiter dihubungkan langsung ke medium dan mengubah bit yang masuk (g(t)) menjadi sebuah sinyal (s(t)) yang sesuai untuk transmisi. 

Gambar 1.1 Diagram Blok Komunikasi Sederhana

1. Sistem Sumber : merupakan kompenen untuk mengirimkan informasi , misalnya pesawat telepon dan PC (Personal Computer) yang terhubung dengan jaringan. Tugas sistem sumber adalah membangkitkan data atau informasi dan menempatkan pada media transmisi.
2. Transmiter :  berfungsi untuk mengubah informasi yang akan dikirim menjadi bentuk yang sesuai dengan media transmisi yang digunakan, misalnya pulsa listrik, gelombang eletromagnetik, PCM (Pulse Code Modulation) dsb. Sebagai contoh, sebuah modem bertugas untuk menyalurkan suatu digital bit stream dan suatu alat yang sebelumnya sudah dipersiapkan misalnya PC, dan mentransformasikan aliran bit tersebut sebagai sinyal analog yang dapat melintasi jaringan telepon.
3. Sistem Transmisi :  merupakan jalur transmisi tunggal atau jaringan transmisi kompleks yang menghubungkan sistem sumber dengan sistem tujuan. kadang sistem transmisi juga disebut sebagai pembawa data. sistem transmisi ini bisa kabel, gelombang elecromagnetik atau yang lain.
4. Sistem Tujuan : merupakan sistem utama dengan sistem sumber tetapi berfungsi untuk menerima sinyal dari sistem transmisi dan mengabungkannya dalam bentuk yang dapat ditangkap oleh sistem tujuan. contoh modem yang berfungsi sebagai penerima akan menerima sinyal analog yang datang dari jaringan atau jalur transmisi dan mengubahnya menjadi aliran bit digital agar ditejemahkan oleh komputer.

hal-hal yang behubungan dengan komunikasi data diantaranya adalah :

1. Media Transmisi
2. Kapasitas Data 
3. Tipe Saluran Transmisi 
4. Mode Transmisi
5. Protokol
6. Check Error atau penanganan kesalahan transmisi 

Setiap informasi yang dikirimkan melalui media transmisi harus disesuaikan dengan media transmisi yang digunakan. proses penyesuaian ini disebut dengan modulasi. bila suatu sinyal diubah dalam bentuk modulasi maka sinyal tersebut bisa menempuh jarak yang jauh sedangkan untuk menerjemahkan sinyal yang sudah dimodulasi kembali ke bentuk semula proses tersebut disebut dengan demodulasi. media transmisi dapat berupa :

1. Sepasang Kawat (Twisted Pair) tembaga dengan masing masing pasangan sekeliling satu sama lain. dengan membeli pasangan, hal itu akan menigkatkan mutu sinyal. terdapat dua jeni media ini, yaitu :
   a. UTP (Unshielded Twisted Pair)
   b. STP (Shielded Twisted Pair)
2. Kabel Coaxial : sering digunakan sebagai kabel pengantar gelombang analog pada TV. kabel ini aga sulit digunakan dan harga ini lebih mahal dat Twisted Pair.
3. Kabel Serat Optik : merupakan media yang memiliki kemampuan transfer data melebihi media twisted pair dan coaxial. media transmisi adalah cahaya 
4. Gelombang Elektromagnetik : dibagi menjadi dua GUIDED dan UNGUIDED. pada media guided, gelombang dipanggil untuk menuju penerima dan merambat pada suatu media yang kasat mata seperti kawat tembaga, serat optik dsb. media unguided untuk mentrasnmisikan data tetapi tidak bertugas sekaligus memandu atau mengarahkan transmisi. contoh media transmisi untuk guideda adalah udara, atmosfer dan ruang angkasa.

TERIMA KASIH

Penulis=> Unknown09.16

0

Selengkapnya..